Що таке агент?

Які з наведених тверджень про агентів є правильними?

Ця вправа є частиною курсу

Розроблення застосунків LLM за допомогою LangChain

Переглянути курс

Практична інтерактивна вправа

Перетворіть теорію на практику за допомогою однієї з наших інтерактивних вправ

Почати вправу

Ця вправа є частиною курсу

Розроблення застосунків LLM за допомогою LangChain

SkillTag.level.intermediateSkillTag.label

4.8+

4535 reviews

Почніть курс безкоштовно

Ласкаво просимо до фреймворку LangChain для створення застосунків на LLM! Ви дізнаєтеся про головні компоненти LangChain: моделі, ланцюжки, агентів, підказки (prompts) та парсери. Ви створите чатботів із використанням як відкритих моделей із Hugging Face, так і пропрієтарних моделей від OpenAI, створите шаблони підказок і інтегруєте різні стратегії пам'яті чатбота, щоб керувати контекстом і ресурсами під час розмов.

Exercise 1: Екосистема LangChain Exercise 2: Моделі OpenAI в LangChain!Exercise 3: Моделі Hugging Face у LangChain!Exercise 4: Шаблони підказок Exercise 5: Шаблони підказок і ланцюжки Exercise 6: Шаблони підказок для чату Exercise 7: Few-shot підказування Exercise 8: Створення набору прикладів для few-shot Exercise 9: Створення шаблону підказки з кількома прикладами (few-shot)Exercise 10: Реалізація few-shot підказування

Час підвищити рівень ваших ланцюжків у LangChain! Ви навчитеся використовувати LangChain Expression Language (LCEL) для гнучкішого визначення ланцюжків. Ви створите послідовні ланцюжки, у яких вхідні дані передаються між компонентами, щоб будувати складніші застосунки. Також ви почнете інтегрувати агентів, які використовують LLM для ухвалення рішень.

Exercise 1: Послідовні ланцюжки Exercise 2: Створення підказок для послідовних ланцюгів Exercise 3: Послідовні ланцюжки з LCEL Exercise 4: Вступ до агентів LangChain Exercise 5: Що таке агент?

Поточна вправа

Exercise 6: Агенти ReAct Exercise 7: Власні інструменти для агентів Exercise 8: Визначення функції для використання інструмента Exercise 9: Створення власних інструментів Exercise 10: Інтеграція власних інструментів з агентами

Одне з обмежень LLM — наявність межі актуальності знань, адже моделі навчаються на даних до певного моменту. У цьому розділі ви навчитеся створювати застосунки, що використовують Retrieval Augmented Generation (RAG) для поєднання зовнішніх даних з LLM. Робочий процес RAG містить кілька етапів: розбиття даних, створення та збереження вбудов (embeddings) у векторній базі даних, а також отримання найбільш релевантної інформації для використання в застосунку. Ви опanuєте весь цей процес від початку до кінця!

Exercise 1: Інтеграція завантажувачів документів Exercise 2: Завантажувачі PDF‑документів Exercise 3: Завантажувачі документів CSV Exercise 4: Завантажувачі HTML‑документів Exercise 5: Ділення зовнішніх даних для пошуку Exercise 6: Розбиття за символом Exercise 7: Рекурсивне розбиття за символами Exercise 8: Розбиття HTML Exercise 9: Зберігання та пошук у RAG за допомогою векторних баз даних Exercise 10: Підготовка документів і векторної бази даних Exercise 11: Створення шаблону підказки для пошуку Exercise 12: Створення ланцюжка RAG Exercise 13: Підсумок!